Variational Inference med saknade data
Variational inference med saknade data är ett skalbart Bayesianskt tillvägagångssätt som samtidigt approximerar posteriorfördelningen över latenta variabler och modellparametrar, samtidigt som saknade observationer imputeras. Istället för att exakt integrera över alla möjliga värden för de saknade posterna, postulerar det en hanterbar approximativ fördelning och optimerar den för att vara så nära den sanna gemensamma posteriorfördelningen som möjligt, vilket ger snabb, principfast inferens även i högdimensionella ofullständiga dataset.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Ghahramani, Z. & Jordan, M. I. (1994). Supervised learning from incomplete data via an EM approach. In Cowan, J. D., Tesauro, G. & Alspector, J. (Eds.), Advances in Neural Information Processing Systems 6 (pp. 120–127). Morgan Kaufmann. link ↗
- Wainwright, M. J. & Jordan, M. I. (2008). Graphical models, exponential families, and variational inference. Foundations and Trends in Machine Learning, 1(1–2), 1–305. DOI: 10.1561/2200000001 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Variational Bayesian Inference with Missing Data. ScholarGate. https://scholargate.app/sv/bayesian/variational-inference-with-missing-data
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayesiansk inferens med saknade dataBayesiansk statistik↔ compare
- Gibbs-sampling med saknade dataBayesiansk statistik↔ compare
- MCMC med saknade dataBayesiansk statistik↔ compare
- VariationsinferensBayesiansk statistik↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →